Meta本周发布了Glimmer。用户可以下载模型权重，放到自己的硬件上运行。几乎同一时间，扎克伯格发信称，AI应该“属于所有人”，不该被少数实验室控制。
但Meta能力更强的Muse Spark没有一起开放。它仍被锁在自家API后面。于是问题变得很具体：Meta开放了一个模型，却没有开放自己更看重的那部分能力。
Glimmer给了权重，Muse Spark保留了控制权
现有信息能够确认的差别并不复杂：
| 对比项 | Glimmer | Muse Spark |
|---|---|---|
| 获取方式 | 可下载模型权重 | 只能通过Meta的API使用 |
| 部署位置 | 用户自己的硬件 | Meta的服务器 |
| 能力定位 | 相对较弱 | 官方产品线中更强 |
| 用户控制权 | 可本地运行，控制空间更大 | 受API接口和平台规则约束 |
| 目前缺失的信息 | 参数规模、硬件要求、许可证、基准成绩 | API价格、调用限制、数据条款、服务范围 |
这里有个容易混淆的概念：开放权重不等于完整开源。
开发者拿到权重，通常可以本地推理、微调，也可能进行量化和二次适配。但能不能商用、能不能重新分发、衍生模型受什么限制，取决于许可证。训练数据、训练代码和数据清洗方法是否公开，也是另一回事。
所以，Glimmer的发布有实际价值，却还不足以证明“AI属于所有人”。一句口号能否成立，最终要落到四件事上：许可证有多宽、普通团队能否跑得动、模型能力差多少、开放版本会不会长期落后。
这些信息目前还看不清。现在就把Glimmer称为Meta的全面开放路线，判断下得太早。
开发者拿到自由，也接过了成本
如果你是独立开发者或小型研究团队，Glimmer最直接的好处是少受平台牵制。
模型可以留在本地。敏感数据不必默认发往外部API。团队还能按自己的任务做微调，不用担心接口突然改版，或者某项能力被平台下架。
代价也很现实。
本地部署需要显存、存储和运维。模型越大，量化、并行推理和故障处理越麻烦。权重免费下载，不代表使用成本为零。服务器、电费和工程时间，最后都会出现在账单上。
在硬件要求和许可证公布清楚前，开发者不宜急着迁移生产系统。更稳妥的动作是先核对三项：
- 许可证是否允许商业使用和衍生模型分发；
- 量化版本能否在现有显卡上稳定运行；
- Glimmer在真实任务中与Muse Spark差多少，而不只看官方基准。
企业团队面对的选择更难。
如果本地部署能满足需求，Glimmer可能带来更强的数据控制和更稳定的成本预期。可一旦复杂任务仍依赖Muse Spark，企业就得在“自己掌控”和“使用更强能力”之间做取舍。
现实中的结果很可能是分流：低风险、重复性高的任务放到本地；要求更高的任务继续调用API。Meta因此既能扩大模型覆盖面，也没有交出旗舰能力的定价权和使用数据。
这套安排很务实。只是它和“人人拥有同等AI能力”并不是一回事。
Meta的开放是真开放，也是有边界的生意
不能因为Muse Spark没有开放，就否定Glimmer。
和OpenAI、Anthropic主要通过API提供核心模型相比，可下载权重仍给了开发者更多选择。Meta过去也借Llama系列建立了开放权重的行业声誉。没有这些模型，许多研究团队和小公司只能围着少数云端接口做产品。
但Meta这次的双轨安排也把利益边界画得很清楚：
开放模型负责吸引开发者、扩大分发、建立工具链；更强模型留在API中，平台继续掌握接口、规则和能力更新节奏。
这让我想到Android。这个类比并不完全一样，手机操作系统和生成式模型的成本结构差别很大。但两者重复了一种熟悉的平台策略：底层开放有助于迅速铺开，关键服务仍由公司牢牢控制。
开放由此成了一种竞争手段，而不只是价值宣言。
Meta也有合理的反方理由。更强模型可能带来更高的部署成本、滥用风险和安全压力。开放权重一旦流出，公司很难撤回，也很难像API那样随时增加防护规则。把Muse Spark留在服务器上，未必全是商业算计。
可扎克伯格选择了“AI属于所有人”这样宽泛的表达，就必须接受更严格的检验。孔子说：“听其言而观其行。”接下来真正该看的，不是下一封公开信，而是Glimmer与Muse Spark的能力差距会不会缩小，许可证能否支持商业落地，以及Meta是否会把更强版本持续交到用户手里。
如果开放模型长期只负责引流，旗舰能力始终隔着API出售，那么Meta做的是一门聪明的平台生意。若更强权重也能按明确节奏释放，那封信才算有了分量。